基于跨域特征提取与环境驱动激励逻辑的油井液位自适应声学传感技术

《Sensors and Actuators A: Physical》：Adaptive acoustic sensing for oil well liquid level measurement via cross-domain feature extraction and environment-driven excitation logic

　　

• •
  一种基于物理原理的自适应框架，用于实现油井液位的精准检测。
• •
  跨领域的二维频谱图有助于基于YOLOv5x的空间模式识别。
• •
  压力驱动的自适应逻辑可确保在不同类型的井筒中实现可靠的极性感知检测。
• •
  即使在极低的5?dB信噪比条件下，也能保持极高的识别精度（误差小于0.1%）。
• •
  无需设置阈值的自动测量功能，可避免在复杂现场环境中进行手动调整。

引言

井下动态液位深度是衡量储层流体供应能力以及抽油系统动态平衡的关键参数。对其精准监测可直接提升油井生产调控的效率以及能源消耗的优化水平[1]、[2]、[3]。在机械采油井中，动态液位数据被广泛用于实时决策过程，比如判断泵的效率、确定流体供应状况以及识别异常运行情况。因此，它成为油田生产中的核心监测指标[4]、[5]、[6]。所以，如何有效处理声学信号以准确获取井下声速和液位回波传播时间，已成为亟需解决的关键问题[7]、[8]、[9]。

在各类测量技术中，由于部署便捷且成本较低，声波法已成为应用最广泛的主流监测方法[10]、[11]、[12]。其基本原理是在油套环空内传播声波，并精确测定声波到达液面的往返时间。通过将这一传播时间与井下条件下的声速相关联，便可得出液位深度[13]、[14]。然而在实际测量过程中，声学信号会受到油井内部各种复杂因素的干扰，具体如下：

1. 机械噪声：抽油机运行过程中产生的机械振动以及油套环空中的各类杂质，都会给声学信号带来严重干扰，从而影响信号的纯净度[15]、[16]。

2. 环境复杂性：井内的压力、温度和湿度等复杂条件会显著影响声波的传播特性，导致耦合回波出现不规则现象，进而造成声速测量不准确，影响液位深度的计算精度[17]、[18]。

3. 信号衰减：声学信号在长距离传输过程中会发生衰减，同时还会被复杂的背景噪声干扰。因此，液位回波常常被干扰信号淹没，导致信噪比降低，出现频繁的识别失败现象[19]、[20]。

由此可见，如何有效处理声学信号以准确获取井下声速和液位回波传播时间，是亟待解决的两个关键问题[21]、[22]。

为了解决这些问题，众多学者进行了深入研究，提出了多种信号处理方法。在声速估算方面，陈等人提出利用快速傅里叶变换将时域声学信号转换为频域，再提取频谱峰值频率来计算声速[23]。该方法克服了时域方法的局限性，但由于抗噪声能力较差，且对非平稳信号的适应性较弱，实际应用中会导致频谱峰值频率发生偏移。王等人则提出将巴特沃斯低通滤波与平均幅度差函数相结合，通过检测时域中的周期性特征来计算声速[24]。该方法计算复杂度较低，但误检率较高，且对阈值依赖性强。张等人基于小波变换提出了自动多尺度峰值检测算法，通过多尺度滑动窗口识别周期变化的信号中的局部峰值，从而提高峰值识别的准确性[25]。不过，在存在显著多径效应的深井环境中，该方法的精度难以满足要求。总体而言，这些传统方法在适应性方面仍存在明显缺陷，无法在抗噪声能力和精度之间实现理想的平衡。

在液位回波传播时间测定方面，尹等人提出利用能量峰谷检测算法来确定液位回波的时间[26]。但该方法对噪声极为敏感，在强干扰环境下容易出现误判。张等人则采用小波奇异性检测方法，利用小波变换的模极大特性来检测信号突变点，从而定位液位回波的位置[27]。虽然该方法能够检测到信号突变，但对于弱幅度、非稳态的耦合回波，其泛化能力较为有限。

与此同时，随着人工智能的快速发展，它在井下信号处理领域展现出巨大潜力。冷等人提出了一种基于动静信息特征融合神经网络的油井关键参数预测方法[28]。该方法将动态数据（如光杆位移、负载）与静态数据（如油压、套压）相结合，输出动态液位预测值。不过，静态数据依赖人工测量，且该模型的泛化能力较弱。梁等人则利用长短期记忆网络结合短时能量特征来预测动态液位深度[29]。但LSTM模型需要较高的计算能力，且阈值需要人工调整，这增加了操作的复杂性和不确定性。钟等人提出了一种具有宽首层核的深度卷积神经网络，可直接输入原始声学信号进行端到端学习，从而实现液位位置的映射[30]。虽然这种方法提高了效率，但其抗噪声能力较弱，且对数据的质量和数量要求较高。

本文将传统算法与人工智能的优势相结合，提出了一种基于物理原理的传感框架，该框架将跨领域特征提取与环境驱动逻辑相融合。具体而言，声波发生器会根据套压调整自身的激励模式，以确保信号质量最优。相应地，所提出的系统通过基于深度学习的二维频谱图提取器来实现准确的声速校准，同时以套压作为逻辑触发因素来选择最佳的检测路径。这样一来，通过让算法适配不同井筒环境的特定激励特性，就能实现精准的液位定位。

章节要点

声学距离测量的原理

井下动态液位深度的测量是基于声学反射测距原理[31]，如图1所示。声波在传播过程中会经过两个对测量至关重要的阶段：耦合校准阶段和液位反射阶段。具体来说，位于井口的声波发生器会发出声脉冲，这些脉冲沿着油套的环空向下传播。当遇到管柱接头等声阻抗界面时

通过空间特征识别实现跨领域声速校准

为了在复杂的井况下获得高精度的声速，本节详细介绍了基于YOLOv5x-P2的周期检测方法。为准确锁定相邻耦合回波的峰值并计算其周期，必须先对原始的一维声学幅度序列进行处理。这一处理过程首先包括峰值定位检测，随后再进行后处理，以计算相邻峰值之间的采样间隔。单阶段的YOLO框架可以直接回归

压力自适应的回波定位逻辑

根据2.2节中介绍的压力指数逻辑，以下分析主要聚焦于两种实时压力状态，而非固定的井型类别：低压运行状态（P?≤?0.3?MPa）和高压运行状态（P?>?0.3?MPa）。这两种状态对应着不同的激励模式以及液位回波的形态。基于3节中得到的稳定声速，液位深度的最终精度取决于

性能评估与讨论

为验证所提出的深度学习算法及动态液位测量仪的全面性能，研究人员在中部某典型油田群进行了实地测试。这些测试的主要目的是评估该系统在不同压力条件、噪声水平以及液位深度变化情况下的测量精度和运行稳定性。

结论

本文提出了一种集成式自适应传感框架，有效解决了在高噪声环境下识别率低以及声学液位测量中手动设定阈值存在的局限性问题。主要结论如下：

• (1)
  方法上的协同作用：通过将基于YOLOv5x-P2的空间模式识别技术用于管柱接头定位，与基于环境驱动的自适应定位逻辑相结合，该框架实现了大约

CRediT作者贡献说明

陈强：项目管理、资金筹集。甘瑞仪：项目管理、资金筹集。魏勇：写作——审稿与编辑、指导工作、项目管理。陈子欣：写作——初稿撰写、可视化处理、软件应用、实验研究、概念构思。张一飞：正式分析、数据整理。王梅：结果验证、资源协调。魏子轩：资金筹集。

利益冲突声明

作者声明不存在任何可能影响本文研究成果的已知利益冲突或个人关系。

致谢

本研究得到了中国国家科技重大专项 [项目编号2025ZD1402103]、教育部油气资源勘探技术重点实验室（长江大学）[项目编号K2024–12]以及湖北省自然科学基金 [项目编号2022CFB187]的支持。

陈子欣于2003年2月出生于中国湖北潜江。她于2024年从中国荆州的长江大学获得电子信息工程学士学位，目前正在该校电子信息与电气工程学院攻读信息与通信工程硕士学位。她的研究兴趣包括油气信息检测方法与相关仪器。

Zixin Chen|Yong Wei|Ruyi Gan|Mei Wang|Yifei Zhang|Zixuan Wei|Qiang Chen